Numpy

Numpy

1、numpy优势：

速度：运算速度快

在哪里：内存分布连续；实现并行化运算。

2、ndarray：

相同类型数据集合；n维数组

（1）属性：a.shape(形状)；a.ndim(维度)；a.size(元素的数量)；a.itemsize(每个元素占得位数)；a.flags。

（2）形状：(4,)表示一维数组，有四个元素；(2, 2, 3)表示三维数组，如：b=np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])。

（3）类型：可以指定类型dtype=np.float32

（4）自定义数据结构，如存储学生的姓名身高

mytype=np.array([(‘name’,np.string_,10),(‘height’,np.float64)])

处理复杂类型时用pandas，numpy用于计算。

3、基本操作

（1）创建数组：np.ones([3,4])

从已有的数组a中创建：np.array(a)与np.asarray(a),asarray创建新的数组，而array引用之前的数组。

创建固定范围np.linespace(始，终，个数)(等间隔)和np.arange(始，终，步长)

创建随机数组:均匀分布——np.random.rand(10)\randint(100)\uniform(0,100)

正态分布——方差反应数据的离散程度；创建：np.random.normal(1.75,0.1,[10,10])

（2）案例：随机生成500个股票两年的交易日涨跌幅（符合正态分布）

• 索引：通过下标获取stock_rise_day[0,0:100]

• 修改数组的形状类型：（元素数量匹配）

stock_rise_day.reshape([504,500])没有修改原来的形状

resize修改原来的形状

flatten把所有数据变成一维

• 修改数据类型stock_rise_day.astype(np.int32)

• 修改小数位数np.round(stock_rise_day[0,:100],2)

• 转置ndarray.T

• arr.tostring()转换成bytes

4、逻辑运算

逻辑判断temp>0.5;赋值temp[temp>0.5]=1

通用函数判断：np.all(temp>0.5)对所有数据进行判断返回True或者Flase

np.unique

复合逻辑运算np.where(np.logical_and(temp>0.5,temp<1),1,0)

​ np.where(np.logical_or)

5、统计运算

目标：最大值，最小值，平均值，标准差，最大最小值的索引，中位数

np.max(temp,axis=1) axis=1是按行求。

np.std;np.var;np.mean

如果需要统计某一只股票在哪个交易日的涨幅最大或者最小：np.argmax

6、数组间运算

（1）数组跟数

arr+1;arr/2

（2）数组跟数组

广播机制，限制一些数组之间的一些运算操作，方便不同形状的array进行运算。进行运算的数组要满足两个条件：维度相等或者shape(其中相对应的一个地方为1)

用的很少

（3）矩阵运算：机器学习中会经常用到的规则

矩阵就是一种特殊的二维数组（有自己的运算机制）

np.mat(array)默认将传入的数组转化成2维

np.matmul(),矩阵相乘，默认吧数组转化成矩阵

7、合并和分割

np.concatenate([stock1,stock2],axis=1)axis指定按列拼接

np.hstack(列)；np.vstack(行)

np.split()均等分